|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要：为实现高效、精准的高光谱图像分类，该文利用低秩矩阵恢复从原始数据中提取低维特征，实现高光谱图$ b& M) i2 K' E; C- e D
像的压缩表示。针对高光谱应用的特殊性，该文算法基于结构相似性度量(Structural Similarity Index Measurement,
, f8 [5 ?: P% A- bSSIM)对矩阵恢复过程提出了信噪分离约束，有助于选择更优的模型参数，增强表示的准确性。实验证明，相比现
3 I2 P8 T( I0 @# d, L有相关方法，该文算法能够有效去除高光谱图像中的噪声，表示结果更为鲁棒；在仅使用低维特征时，仍能达到较
$ U4 v7 D& ^9 e2 y( n/ a高的分类精度。
+ e5 q ]( P/ |关键词：高光谱图像分类；压缩表示；低秩矩阵恢复) ^/ f2 A. ?# z9 S7 q6 h- ^- z2 T
1 引言
$ P; {5 n- Q2 [9 r$ {2 q高光谱图像分类是信号处理、机器学习和计算
( S- u1 Z) t- X1 \! m机视觉等多学科交叉的研究热点之一，在生态研究、
5 V- {; D4 M; ~0 [地质探测、军事侦查等方面均有重要应用[1,2]。在遥7 X0 P$ {$ r: }! q* X' E; [4 U- F
感领域，这种分类是指为空间位置上的每个像素分# D- ~ F+ }( J6 X- I7 o
配一个标签，表明该像素的地物类别，其结果可用
$ X/ ?0 W$ w: t) @7 n8 q于目标探测或感兴趣区域的提取。高光谱图像为地
c) A0 W4 u: Y8 L' l4 l
( C5 v" `' R: r9 Q0 G* \. H; M" z s
" ^+ P K4 Y" c
# m' u/ t, e" Z# b2 N" h/ @5 ?, A5 H/ V! _0 q! a
, f/ _, |% t( G! M6 a) a
附件下载:
3 l" u+ L6 [: @
, t$ A! b* c$ R; n9 s |
|
/1 
发表于 2021-4-30 14:02
收藏
淘帖
支持！
反对！